دیدگاه های در مورد داده کاوی 

با توجه به این تعاریف دو تعبیر مختلف از داده‏کاوی وجود دارد. برخی مولفین مانند چتفیلد (1995) ، داده‏کاوی را مترادف عبارت کشف دانش و معرفت از پایگاه داده‏ها می دانند. بقیه از جمله فیاد (1996) به داده‏کاوی به عنوان یک مرحله ضروری از فرایند بزرگتر کشف دانش و معرفت از پایگاه داده‏ها که به اختصار KDD می‏گویند ، اشاره دارند.

در دیدگاه اول داده‏ کاوی به عنوان مجموعه ای از فرایندها که از تعریف اهداف تا ارزیابی نتایج را در بر می‏گیرد ، معرفی می‏شود. مراحل مختلف داده‏کاوی در این دیدگاه عبارتند از :

الف) تعریف اهداف تحلیل

ب) انتخاب و سازماندهی داده‏ها

پ) تحلیل کاوشگرانه ی داده‏ها

ت) مشخص کردن روش های آماری مورد استفاده در مرحله ی تحلیل

ج) تحلیل داده‏ها بر اساس روش انتخابی

چ) ارزیابی و مقایسه روش های مورد استفاده و انتخاب مدل نهایی برای تحلیل

ح) تفسیر مدل حاصل و استفاده از آن در فرایند تصمیم‏گیری

اما در دیدگاه دوم ، KDD شامل مراحل زیر است :

1) پاکسازی داده ‏ها حذف داده‏های ناپایدار و مزاحم

2) یکپارچه سازی داده‏ ها : ترکیب منابع متعدد ، پراکنده و احیانا ناهمگن داده‏ها

3) انتخاب داده ‏ها : بازیابی داده‏های مربوط به عمل کاوش از پایگاه داده‏ها

4) تبدیل داده‏ ها: تبدیل داده‏ها به اشکالی مناسب برای به کار بردن روش های مختلف

5) داده ‏کاوی : مرحله ای ضروری از فرایند KDD است که در آن از روش های مختلف آماری و یادگیری ماشین برای استخراج الگوها استفاده می‏شود ، که شامل مراحل زیر است :

الف) انتخاب عملیات داده‏ کاوی (رده بندی ، خوشه‏بندی ، پیش بینی ، تعیین وابستگی و …)

ب) انتخاب روش داده‏ کاوی (شبکه های عصبی ، درخت تصمیم‏گیری ، الگوریتم ژنتیک و …)

ج) داده‏ کاوی و جستجو برای یافتن الگوی مناسب

6) ارزیابی الگوها : شناسایی الگوهای جذاب ارائه دانش ، بر اساس معیارهای جذابیت.

7) ارائه دانش ارائه دانش استخراج شده با استفاده از تکنیک های نمایش اطلاعات

در اینجا آموزش آشنایی با دیدگاه های در مورد داده کاوی به پایان رسیده است و در آموزش های بعدی به مباحث دیگر آموزش داده کاوی می پردازیم. همچنین از شما مخاطبین عزیز سایت متلب پروژه دعوت می کنم که برای پروژه داده کاوی خود آموزش های ما را دنبال نمایید